大家好。我有一个大型数据集（6万个样本，50个特征）。其中一个对我非常重要的特征是职业名称。我希望对这些职业名称进行编码，以便适应一些模型，比如线性回归或支持向量机（SVC）。然而，我不知道该如何处理这些数据。

我尝试使用pandas的虚拟变量和scikit-learn的One-hot Encoding，但这会生成许多在测试集中可能不会遇到的特征。我也尝试使用scikit-learn的LabelEncoder()，但在编码变量时遇到了错误，例如float() > str() error。

大家有什么建议来处理这些分类特征吗？谢谢大家。

回答：

有几种方法可以达到你想要的效果。我个人觉得HashingVectorizer非常robust，特别是如果你有很多（可能还很稀疏）的特征，你可以尝试一下。另一个选择是DictVectorizer。

你可以查看这里的示例 http://scikit-learn.org/stable/modules/feature_extraction.html 和 http://scikit-learn.org/stable/auto_examples/text/document_classification_20newsgroups.html。你可以轻松地修改它们来达到你的目的。